[发明专利]自适应聚点生成的睡眠阶段分期方法

说明书

本发明提供了自适应聚点生成的睡眠阶段分期方法包括如下步骤：包括如下步骤：步骤S1、获取睡眠原始监测数据；步骤S2、数据预处理：去除状态异常数据，并对数据进行统计学分位数处理；步骤S3、特征数据分析，进行特征选取提取；步骤S4、自适应聚类算法寻找睡眠特征的聚点：通过加权聚类算法，提取k个特征属性的聚点Truth^k，并获得聚点距离范围内的误差指标值α^k；步骤S5、构建睡眠分期识别模型：依据聚点Truth^k和误差指标α^k规则识别睡眠状态及睡眠分期阶段；步骤S6、睡眠分期修正：通过初步判断的睡眠分期阶段进行归一化加权评分分析，精准更新睡眠分期阶段。本发明的睡眠分类模型计算运行时间少，算法的准确度高。

技术领域

本发明涉及大数据应用及人工智能技术领域，特别涉及自适应聚点生成的睡眠阶段分期方法。

背景技术

睡眠质量与人类身体的健康息息相关，如今大多数人都存在睡眠问题的困扰，有些是短暂性的，有些是长期性的，整夜低质量的睡眠会对人们精力、心情、健康等各方面产生很大的负面影响。人们开始逐渐关注睡眠质量的问题。长期监控人们整夜的睡眠情况，去知晓睡眠阶段分布和睡眠质量，探索人们长期睡眠质量不好的主要原因，并采取及时有效的改善措施，就显得更加必要了。因此，人们发明便捷式、可穿戴式、无接触式等设备来监测整夜的睡眠状况。目前，在国际通用的RK(RechtschaffenKales)准则中，睡眠过程主要分为清醒期(aWake，W)、快速眼动期(Rapid EyeMovement，REM)和非快速眼动期(Non-RapidEye Movement，NREM)。在非快速眼动期中，随着人体睡眠状态的由浅入深，又将非快速眼动期分为四个阶段，分别为睡眠Ⅰ期(Stage1，S1)，睡眠Ⅱ期(Stage2，S2)，睡眠III期(Stage3，S3)以及睡眠Ⅳ期(Stage4，S4)。美国睡眠医学学会提出S3和S4期都处在深度睡眠状态，将S3和S4期合并为慢波睡眠期(Slow wave Sleep，SS)。睡眠分期对于睡眠质量评估具有重要价值，只要能基于设备监测的睡眠数据进行分期，就可以实现家庭和日常生活状态下的睡眠质量监测和评估。

1932年以来相继引入傅里叶变换、频域分析等对睡眠脑电图进行了研究，因为脑电本身具有随机性和非平稳性质，近几年非线性系统分析理论也被迅速运用到了睡眠分期中。一些研究人员已经采用复杂度、熵值、奇异谱分析、独立成分分析等方法来区分不同的睡眠时相。睡眠脑电的自动分期经过分析在不同睡眠时期下脑电的变化趋势来划分人的睡眠结构，在这个过程中，提取信号的特征和模式识别是实现准确分期的关键环节。通过提取信号的特征和模式识别不同睡眠分期，大多数研究方法主要集中在监督学习算法，例如常见的神经网络、隐马尔可夫模型等用于对睡眠状态的脑电信号进行建模和分析以及支持向量机也经常被用来实现睡眠阶段的自动分类。其中，分析睡眠阶段的心率的变异性，从心率时间间期序列中提取时域、频域和非线性等86个特征，将多导睡眠图仪的三分类结果(醒、快速眼动期、非快速眼动期)作为“金标准”，并采用支持向量机作为多分类器模型，并实验论证了具有较高的准确性，大样本人群测试结果表明该模型具有较好的普适性。然而，脑电等生物电信号存在复杂差异性，一方面表现在不同个体，另一方面也受到记录环境和记录条件的影响。然监督学习算法的分类性能主要取决于训练过程以及训练样本，对特定范围内的数据集会有较好的分类效果，难以适应实际应用中各种不同睡眠数据。而无监督方法不需要对样本进行训练，是根据样本的原始信息来完成分类的。运用无监督方法来解决不同睡眠阶段的分类判别问题是值得研究的方向，也具备实际应用价值。

现有分类模型召回率、精确率两个指标均较低，分类效果有限。另外，算法的运行时间长，算法效率低。

发明内容

本发明提供了自适应聚点生成的睡眠阶段分期方法，解决现有技术中睡眠分类模型计算运行时间多和算法的准确度低的技术问题。

为了达到上述目的，本发明提供的自适应聚点生成的睡眠阶段分期方法，包括如下步骤：